The Iterated Auxiliary Particle Filter
迭代辅助粒子滤波器AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确面向状态空间隐马尔可夫模型及观测序列的似然推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
迭代辅助粒子滤波器
- 研究问题
- 如何在一般状态空间隐马尔可夫模型中，通过降低边际似然粒子估计的方差，改善基于似然的参数推断与计算？
- 方法与思路
- 作者以一列正函数构造扭曲模型及辅助粒子滤波器，识别使似然估计零方差的理想函数序列，再通过离线迭代近似该序列。
- 材料陈述的贡献
- 摘要称，各辅助滤波器提供无偏似然估计；迭代近似方法在困难实例中显著优于自助粒子滤波，并用于粒子 MCMC 参数估计。
- 阅读关注点
- 核对理想函数序列的定义、实际迭代近似及计算成本，并区分理想零方差性质与可实施算法的方差、稳定性和比较表现。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。零方差对应未知的理想函数序列，不能归于实际近似算法；摘要未给出迭代收敛保证。
原文摘要
We present an offline, iterated particle filter to facilitate statistical inference in general state space hidden Markov models. Given a model and a sequence of observations, the associated marginal likelihood L is central to likelihood-based inference for unknown statistical parameters. We define a class of “twisted” models: each member is specified by a sequence of positive functions ψ and has an associated ψ-auxiliary particle filter that provides unbiased estimates of L. We identify a sequence ψ* that is optimal in the sense that the ψ*-auxiliary particle filter’s estimate of L has zero variance. In practical applications, ψ* is unknown so the ψ*-auxiliary particle filter cannot straightforwardly be implemented. We use an iterative scheme to approximate ψ* and demonstrate empirically that the resulting iterated auxiliary particle filter significantly outperforms the bootstrap particle filter in challenging settings. Applications include parameter estimation using a particle Markov chain Monte Carlo algorithm.